В прошлой статье мы разобрали, почему детерминированной «кривой спроса» в недвижимости не существует. Спрос — это не просто функция от цены, а результирующая влияния бесконечного количества факторов: макроэкономики, ключевой ставки ЦБ, маркетинговых усилий застройщика, навыков команды продаж, действий конкурентов, сезонности, курса доллара и т.д.

Что это значит для застройщиков:

1. Заранее точно определить оптимальные цены сразу на 3 года всего периода продаж невозможно

2. Статичные модели типа "продали квартиру -> в оставшихся подняли цены на Х руб." не работают. Этот "Х" при каждом пересчёте цен должен быть разным.

3. Для определения этого "Х" необходимо каждый раз пересчитывать кривую спроса

Базовый принцип ДЦО: ловим цены на лету

Поэтому каждую неделю собираем данные о продажах в нашем ЖК, делаем «срез», строим локальную кривую спроса актуальную на данный момент и корректируем цену. Это и есть база динамического ценообразования в условиях неопределённости.

Представьте стрелка по тарелочкам. Он не знает точно, как будет лететь мишень до самого её падения, но может предсказать её поведение в ближайшую секунду. Он прицеливается с упреждением и стреляет. Мы поступаем так же — корректируем цены на шаг вперёд.

Алгоритм действий:

• Делим период продаж на короткие интервалы

• По окончании каждого короткого интервала анализируем фактические продажи

• На основе этих данных корректируем цену для следующего интервала

Как результат — мы не «вангуем» цены сразу на весь период продаж, а постоянно настраиваемся на вновь поступающую информацию. Проверили, "подкрутили" и поехали дальше. Как водитель, который внимательно следит за обстановкой на дороге и реагирует на все происходящие вокруг него события по мере их поступления.

Как получить кривую спроса

Допустим, у нас есть данные о том, по какой цене и с каким темпом у нас продавались квартиры. А как из этого построить однозначно трактуемую функцию: "если поставить цену Х, темп будет Y"?

Можно использовать полиномиальные регрессии, нейросети, ряды Фурье... Да хоть синусоиду. При выборе модели я бы отталкивался от точности прогнозов на следующий шаг, надёжности, скорости расчёта и простоте.

Зачастую кажется, что лучше более сложная модель с "нанотехнологиями" и chatGPT под капотом. Но применительно к нашей задаче, оказалось, что сила - в простоте. Стрелок по тарелочкам не садится за расчёт уравнений траектории и влияния ветра, он прицеливается, сводя траекторию полёта тарелочки к простому движению. Так же и в ценообразовании. Как это не парадоксально, исследования учёных из Колумбийского университета доказывают, что приведение набора точек к одной прямой линии (линейная аппроксимация) обеспечивает великолепные результаты. Иногда даже лучше, чем сложные модели. Более того, такая реализация устойчива к шумам, быстро считается и понятна всем, от аналитика до CEO. 

Резюмируя, линейная аппроксимация в связке с достаточно частым пересчётом цен обеспечивает оптимальный баланс скорости и точности.

"Круиз-контроль" или как использовать модель в реальности

Допустим, у нас есть кривая спроса в динамике. Как её применять? Как эдакий круиз-контроль, который постоянно сравнивает текущую скорость с заданной и регулирует обороты так, чтобы придерживаться целевого значения. Есть , например, план: продавать по 5,1 квартиры в неделю:

• Собираем текущие данные о продажах и формируем на их основе кривую спроса

• Смотрим на кривую: какая цена обеспечит нужный темп?

• Корректируем цену на 153.400 руб/кв.м. Всё. Едем дальше.

Так получается рабочий цикл ДЦО: сняли спрос <-> скорректировали цены

Как настроить "круиз-контроль" динамического ценообразования

В машине всё просто: мы знаем ограничения ПДД, ставим целевую скорость и авто её поддерживает. А откуда взять целевой темп продаж? Многие застройщики берут за основу продажу одинакового количества лотов за единицу времени. Такой подход называется "равномерным вымыванием".

Это весьма логично. В жилом комплексе количество квартир ограничено. Поэтому, если задать цену ниже оптимальной — квартиры раскупят слишком быстро, и проект недополучит выручку. Если задать слишком высокую цену — к моменту ввода здания в эксплуатацию останутся непроданные лоты, а значит, план продаж затрещит по швам.

Но на самом деле равномерное вымывание — это компромисс. Оно не обеспечивает максимальную прибыль. Почему?

• Цены растут ближе к вводу объекта в эксплуатацию.

• Деньги стоят в разные периоды времени по-разному.

• Спрос скачет: сезон, инфоповоды, реклама.

Вывод: оптимальный темп продаж также постоянно меняется, как и цена.
Иногда нужно продавать быстрее. А иногда — прибыльнее подождать. Если вы не можете пересчитывать темп в зависимости от ситуации на рынке — вы всё ещё играете по старым правилам...

"To be continued..." или что же дальше?

Мы прошли путь от разочарования в детерминированной кривой спроса до построения новой гибкой, живой модели ценообразования. Мы научились работать без стабильной кривой, адаптироваться к рынку, использовать простые модели и управлять процессом.

Но то, что впереди — ещё интереснее:

• Как выбрать оптимальный темп продаж?

• Как учесть стоимость денег, динамику рынка, поведение конкурентов?

• Как моделировать не просто цену, а свою прибыль?

Спойлер: да, это можно делать. В следующей статье мы покажем, как это работает, и почему это не «игра в модельки», а путь к максимальной прибыли. 

Оставайтесь с нами. В следующий раз будет больше математики и инсайтов, которые помогают застройщикам зарабатывать, а не выживать на современном рынке недвижимости.